Speech Emotion Recognition
用 LSTM、CNN、SVM、MLP 进行语音情感识别,Keras 实现。
改进了特征提取方式,识别准确率提高到了 80% 左右。原来的版本的存档在 First-Version 分支。
English Document | 中文文档
Environments
- Python 3.8
- Keras & TensorFlow 2
Structure
├── models/ // 模型实现
│ ├── common.py // 所有模型的基类
│ ├── dnn // 神经网络模型
│ │ ├── dnn.py // 所有神经网络模型的基类
│ │ ├── cnn.py // CNN
│ │ └── lstm.py // LSTM
│ └── ml.py // SVM & MLP
├── extract_feats/ // 特征提取
│ ├── librosa.py // librosa 提取特征
│ └── opensmile.py // Opensmile 提取特征
├── utils/
│ ├── files.py // 用于整理数据集(分类、批量重命名)
│ ├── opts.py // 使用 argparse 从命令行读入参数
│ └── plot.py // 绘图(雷达图、频谱图、波形图)
├── config/ // 配置参数(.yaml)
├── features/ // 存储提取好的特征
├── checkpoints/ // 存储训练好的模型权重
├── train.py // 训练模型
├── predict.py // 用训练好的模型预测指定音频的情感
└── preprocess.py // 数据预处理(提取数据集中音频的特征并保存)
Requirments
Python
- TensorFlow 2 / Keras:LSTM & CNN (
tensorflow.keras
) - scikit-learn:SVM & MLP 模型,划分训练集和测试集
- joblib:保存和加载用 scikit-learn 训练的模型
- librosa:提取特征、波形图
- SciPy:频谱图
- pandas:加载特征
- Matplotlib:绘图
- NumPy
Tools
- [可选] Opensmile:提取特征
Datasets
-
英文,24 个人(12 名男性,12 名女性)的大约 1500 个音频,表达了 8 种不同的情绪(第三位数字表示情绪类别):01 = neutral,02 = calm,03 = happy,04 = sad,05 = angry,06 = fearful,07 = disgust,08 = surprised。
-
英文,4 个人(男性)的大约 500 个音频,表达了 7 种不同的情绪(第一个字母表示情绪类别):a = anger,d = disgust,f = fear,h = happiness,n = neutral,sa = sadness,su = surprise。
-
德语,10 个人(5 名男性,5 名女性)的大约 500 个音频,表达了 7 种不同的情绪(倒数第二个字母表示情绪类别):N = neutral,W = angry,A = fear,F = happy,T = sad,E = disgust,L = boredom。
-
CASIA
汉语,4 个人(2 名男性,2 名女性)的大约 1200 个音频,表达了 6 种不同的情绪:neutral,happy,sad,angry,fearful,surprised。
Usage
Prepare
安装依赖:
pip install -r requirements.txt
(可选)安装 Opensmile。
Configuration
在 configs/
文件夹中的配置文件(YAML)里配置参数。
其中 Opensmile 标准特征集目前只支持:
IS09_emotion
:The INTERSPEECH 2009 Emotion Challenge,384 个特征;IS10_paraling
:The INTERSPEECH 2010 Paralinguistic Challenge,1582 个特征;IS11_speaker_state
:The INTERSPEECH 2011 Speaker State Challenge,4368 个特征;IS12_speaker_trait
:The INTERSPEECH 2012 Speaker Trait Challenge,6125 个特征;IS13_ComParE
:The INTERSPEECH 2013 ComParE Challenge,6373 个特征;ComParE_2016
:The INTERSPEECH 2016 Computational Paralinguistics Challenge,6373 个特征。
如果需要用其他特征集,可以自行修改 extract_feats/opensmile.py
中的 FEATURE_NUM
项。
Preprocess
首先需要提取数据集中音频的特征并保存到本地。Opensmile 提取的特征会被保存在 .csv
文件中,librosa 提取的特征会被保存在 .p
文件中。
python preprocess.py --config configs/example.yaml
其中,configs/example.yaml
是你的配置文件路径。
Train
数据集路径可以在 configs/
中配置,相同情感的音频放在同一个文件夹里(可以参考 utils/files.py
整理数据),如:
└── datasets
├── angry
├── happy
├── sad
...
然后:
python train.py --config configs/example.yaml
Predict
用训练好的模型来预测指定音频的情感。checkpoints/
里有一些已经训练好的模型。
python predict.py --config configs/example.yaml
Functions
Radar Chart
画出预测概率的雷达图。
来源:Radar
import utils
"""
Args:
data_prob (np.ndarray): 概率数组
class_labels (list): 情感标签
"""
utils.radar(data_prob, class_labels)
Play Audio
播放一段音频
import utils
utils.play_audio(file_path)
Plot Curve
画训练过程的准确率曲线和损失曲线。
import utils
"""
Args:
train (list): 训练集损失值或准确率数组
val (list): 测试集损失值或准确率数组
title (str): 图像标题
y_label (str): y 轴标题
"""
utils.curve(train, val, title, y_label)
Waveform
画出音频的波形图。
import utils
utils.waveform(file_path)
Spectrogram
画出音频的频谱图。
import utils
utils.spectrogram(file_path)